Hebrew - Wikilangs Models

Comprehensive Research Report & Full Ablation Study

This repository contains NLP models trained and evaluated by Wikilangs, specifically on Hebrew Wikipedia data. We analyze tokenizers, n-gram models, Markov chains, vocabulary statistics, and word embeddings.

📋 Repository Contents

Models & Assets

• Tokenizers (8k, 16k, 32k, 64k)
• N-gram models (2, 3, 4, 5-gram)
• Markov chains (context of 1, 2, 3, 4 and 5)
• Subword N-gram and Markov chains
• Embeddings in various sizes and dimensions (aligned and unaligned)
• Language Vocabulary
• Language Statistics

Analysis and Evaluation

• 1. Tokenizer Evaluation
• 2. N-gram Model Evaluation
• 3. Markov Chain Evaluation
• 4. Vocabulary Analysis
• 5. Word Embeddings Evaluation
• 6. Morphological Analysis (Experimental)
• 7. Summary & Recommendations
• Metrics Glossary
• Visualizations Index

---

1. Tokenizer Evaluation

Results

Vocab Size	Compression	Avg Token Len	UNK Rate	Total Tokens
8k	3.129x	3.13	0.0482%	4,188,199
16k	3.502x	3.50	0.0540%	3,742,094
32k	3.872x	3.87	0.0597%	3,384,734
64k	4.191x 🏆	4.19	0.0646%	3,127,199

Tokenization Examples

Below are sample sentences tokenized with each vocabulary size:

Sample 1: אייזנשטיין או איזנשטין (Eisenstein), שם משפחה גרמני ושם יהודי אשכנזי נפוץ. פירוש...

Vocab	Tokens	Count
8k	▁אייז נשטיין ▁או ▁איז נ שט ין ▁( e is ... (+26 more)	36
16k	▁אייז נשטיין ▁או ▁איז נשט ין ▁( e is en ... (+20 more)	30
32k	▁אייז נשטיין ▁או ▁איז נשט ין ▁( e is en ... (+19 more)	29
64k	▁אייזנשטיין ▁או ▁איז נשט ין ▁( e is enstein ), ... (+17 more)	27

Sample 2: שטיבל היא צורת הקטנה של המילה היידית שטוב ("בית" או "חדר"). משפחה משפחה אשכנזיים

Vocab	Tokens	Count
8k	▁שט יבל ▁היא ▁צורת ▁הקטנה ▁של ▁המילה ▁הי ידית ▁שט ... (+13 more)	23
16k	▁שט יבל ▁היא ▁צורת ▁הקטנה ▁של ▁המילה ▁הי ידית ▁שט ... (+12 more)	22
32k	▁שט יבל ▁היא ▁צורת ▁הקטנה ▁של ▁המילה ▁הי ידית ▁שט ... (+11 more)	21
64k	▁שטיבל ▁היא ▁צורת ▁הקטנה ▁של ▁המילה ▁היידית ▁שט וב ▁(" ... (+9 more)	19

Sample 3: לאופרד הוא התעתיק העברי למילה Leopard, הקיימת במספר שפות ומשמעותה היא נמר (בעל ח...

Vocab	Tokens	Count
8k	▁לא ופר ד ▁הוא ▁הת עתיק ▁העברי ▁למ ילה ▁le ... (+21 more)	31
16k	▁לא ופר ד ▁הוא ▁הת עתיק ▁העברי ▁למילה ▁le op ... (+17 more)	27
32k	▁לאופר ד ▁הוא ▁הת עתיק ▁העברי ▁למילה ▁le op ard ... (+15 more)	25
64k	▁לאופר ד ▁הוא ▁התעתיק ▁העברי ▁למילה ▁le opard , ▁הקיימת ... (+12 more)	22

Key Findings

• Best Compression: 64k achieves 4.191x compression
• Lowest UNK Rate: 8k with 0.0482% unknown tokens
• Trade-off: Larger vocabularies improve compression but increase model size
• Recommendation: 32k vocabulary provides optimal balance for production use

---

2. N-gram Model Evaluation

Results

N-gram	Variant	Perplexity	Entropy	Unique N-grams	Top-100 Coverage	Top-1000 Coverage
2-gram	Word	839,907	19.68	4,883,996	3.8%	9.8%
2-gram	Subword	388 🏆	8.60	45,811	57.3%	98.0%
3-gram	Word	2,460,970	21.23	7,456,944	1.9%	5.1%
3-gram	Subword	4,159	12.02	320,573	19.8%	57.8%
4-gram	Word	6,086,424	22.54	12,242,689	1.3%	3.3%
4-gram	Subword	31,153	14.93	1,768,539	7.8%	25.6%
5-gram	Word	5,115,710	22.29	8,563,842	1.1%	3.0%
5-gram	Subword	174,825	17.42	6,204,970	3.7%	13.2%

Top 5 N-grams by Size

2-grams (Word):

Rank	N-gram	Count
1	על ידי	619,385
2	קישורים חיצוניים	326,599
3	הערות שוליים	252,301
4	ארצות הברית	176,732
5	על פי	148,464

3-grams (Word):

Rank	N-gram	Count
1	קישורים חיצוניים הערות	115,186
2	חיצוניים הערות שוליים	115,178
3	של ארצות הברית	67,555
4	של המאה ה	45,554
5	המאה ה 20	39,531

4-grams (Word):

Rank	N-gram	Count
1	קישורים חיצוניים הערות שוליים	115,165
2	של המאה ה 20	24,487
3	שבהם תבנית בריטניקה אינה	19,413
4	תבנית בריטניקה אינה מתאימה	19,413
5	את הופעת הבכורה שלו	16,388

5-grams (Word):

Rank	N-gram	Count
1	שבהם תבנית בריטניקה אינה מתאימה	19,413
2	ערך את הופעת הבכורה שלו	11,486
3	הערות שוליים שבהם תבנית בריטניקה	10,724
4	שוליים שבהם תבנית בריטניקה אינה	10,724
5	בית הנבחרים של ארצות הברית	7,604

2-grams (Subword):

Rank	N-gram	Count
1	_ ה	39,073,833
2	ת _	29,026,407
3	_ ב	24,932,558
4	ה _	24,128,474
5	ם _	21,592,884

3-grams (Subword):

Rank	N-gram	Count
1	י ם _	13,358,320
2	ו ת _	11,186,966
3	ת _ ה	8,271,610
4	_ ש ל	6,687,390
5	ש ל _	5,737,360

4-grams (Subword):

Rank	N-gram	Count
1	_ ש ל _	5,452,714
2	_ א ת _	2,964,460
3	ו ת _ ה	2,726,223
4	_ ע ל _	2,650,017
5	י י ם _	2,272,182

5-grams (Subword):

Rank	N-gram	Count
1	_ ש ל _ ה	1,545,782
2	_ ה ו א _	1,326,505
3	_ א ת _ ה	1,316,470
4	ה _ ש ל _	1,085,085
5	ו _ ש ל _	843,378

Key Findings

• Best Perplexity: 2-gram (subword) with 388
• Entropy Trend: Decreases with larger n-grams (more predictable)
• Coverage: Top-1000 patterns cover ~13% of corpus
• Recommendation: 4-gram or 5-gram for best predictive performance

---

3. Markov Chain Evaluation

Results

Context	Variant	Avg Entropy	Perplexity	Branching Factor	Unique Contexts	Predictability
1	Word	1.1002	2.144	22.34	2,985,722	0.0%
1	Subword	0.8730	1.831	7.49	25,039	12.7%
2	Word	0.3737	1.296	2.25	66,677,134	62.6%
2	Subword	0.6573	1.577	4.43	187,480	34.3%
3	Word	0.1205	1.087	1.25	150,136,299	87.9%
3	Subword	0.6833	1.606	3.99	829,497	31.7%
4	Word	0.0427 🏆	1.030	1.07	187,719,110	95.7%
4	Subword	0.6743	1.596	3.51	3,312,743	32.6%

Generated Text Samples (Word-based)

Below are text samples generated from each word-based Markov chain model:

Context Size 1:

1. של היציע היו מפסיקים לעבוד כמכונאי רכב שעברו לפורטלנד מיין ושרד רוחות האקליפס שם השיר הפשוט
2. את סגן אלוף אלה אטלנטית לאחר הפסקה מהנורמה איסוף המידע שלו וכן מעל שכבה ארכאולוגית במחנה
3. על מצדה השמאלי מחזיק באזרחות צרפתית ערבית לפיה ניתן למרלן דיטריך בביקור בהודו נאבקו למצוא תשובות

Context Size 2:

1. על ידי מחשב ובכך להסיר את שלטון הטרור מרדכי מיררג ס חזנה של העיר נהפכו ללא רלוונטיות
2. קישורים חיצוניים הערות שוליים ילידי אוקראינה בעלת קול סופרן אלט טנור מקהלהsing unto godאלט טנור סופר...
3. הערות שוליים כדורגל סעודיות מועדוני כדורגל באזור כורדיסטן שבעיראק עם קהילות האם שלהן אף יותר מהסירוס...

Context Size 3:

1. קישורים חיצוניים הערות שוליים קנדים החברה המלכותית זרים בחברה המלכותית יהודים בחברה המלכותית המדליה ...
2. חיצוניים הערות שוליים קולנוע וטלוויזיה צ יליאניות תקשורת צ יליאנים טלוויזיה צ יליאנים קולנוע וטלוויז...
3. של ארצות הברית בהתבסס על סקרים על הקרקע ועל תצלומי אוויר שצולמו ממטוסי משלחת החקר האנטארקטית הבריטית...

Context Size 4:

1. קישורים חיצוניים הערות שוליים מסדר עמיתי הכבוד אנגלים אנגלים ממוצא ולשי שנולדו
2. של המאה ה 20 הנפיקו מניות ונרשמו למסחר בבורסה עשרות חברות מישראל בין השאר אמבלייז הונפקה לראשונה בבו...
3. שבהם תבנית בריטניקה אינה מתאימה פיזיקליים חסרי ממדים של מעגלים חשמליים

Generated Text Samples (Subword-based)

Below are text samples generated from each subword-based Markov chain model:

Context Size 1:

1. _עלטואם_קרוריזם_
2. יקרו._קואול_הימח
3. וחותוריהדיעם_שלך

Context Size 2:

1. _הראלץ,_וין._בכות
2. ת_בה_השמוד_המחזק_
3. _בחרו,_את_מא/נקרת

Context Size 3:

1. ים_דיאנה_תוכן_רקוס
2. ות_בציה_ישראליפורי
3. ת_המקיינת_45_דאולו

Context Size 4:

1. _של_חיים)_שמחוץ_לדח
2. _את_כלל_במגזין_הטרי
3. ות_הראשון_הישיבה_סי

Key Findings

• Best Predictability: Context-4 (word) with 95.7% predictability
• Branching Factor: Decreases with context size (more deterministic)
• Memory Trade-off: Larger contexts require more storage (3,312,743 contexts)
• Recommendation: Context-3 or Context-4 for text generation

---

4. Vocabulary Analysis

Statistics

Metric	Value
Vocabulary Size	1,343,537
Total Tokens	218,728,300
Mean Frequency	162.80
Median Frequency	5
Frequency Std Dev	6864.53

Most Common Words

Rank	Word	Frequency
1	של	5,459,894
2	את	2,971,688
3	על	2,703,880
4	הוא	1,339,510
5	עם	1,154,254
6	ב	905,656
7	בשנת	775,632
8	ה	760,765
9	גם	682,600
10	היה	665,182

Least Common Words (from vocabulary)

Rank	Word	Frequency
1	markomannen	2
2	traditiones	2
3	possessionesque	2
4	bisterem	2
5	אנוויגאדו	2
6	קרואטיתאנטה	2
7	קרואטיתאיוון	2
8	מנדאריץ	2
9	סקסאפאהו	2
10	בסקסאפאהו	2

Zipf's Law Analysis

Metric	Value
Zipf Coefficient	0.8691
R² (Goodness of Fit)	0.995091
Adherence Quality	excellent

Coverage Analysis

Top N Words	Coverage
Top 100	18.7%
Top 1,000	39.8%
Top 5,000	60.2%
Top 10,000	69.8%

Key Findings

• Zipf Compliance: R²=0.9951 indicates excellent adherence to Zipf's law
• High Frequency Dominance: Top 100 words cover 18.7% of corpus
• Long Tail: 1,333,537 words needed for remaining 30.2% coverage

---

5. Word Embeddings Evaluation

5.1 Cross-Lingual Alignment

5.2 Model Comparison

Model	Dimension	Isotropy	Semantic Density	Alignment R@1	Alignment R@10
mono_32d	32	0.8057	0.3812	N/A	N/A
mono_64d	64	0.7873	0.2918	N/A	N/A
mono_128d	128	0.7406	0.2357	N/A	N/A
aligned_32d	32	0.8057 🏆	0.3678	0.1680	0.6000
aligned_64d	64	0.7873	0.2944	0.3600	0.7620
aligned_128d	128	0.7406	0.2283	0.4900	0.8080

Key Findings

• Best Isotropy: aligned_32d with 0.8057 (more uniform distribution)
• Semantic Density: Average pairwise similarity of 0.2999. Lower values indicate better semantic separation.
• Alignment Quality: Aligned models achieve up to 49.0% R@1 in cross-lingual retrieval.
• Recommendation: 128d aligned for best cross-lingual performance

---

6. Morphological Analysis (Experimental)

This section presents an automated morphological analysis derived from the statistical divergence between word-level and subword-level models. By analyzing where subword predictability spikes and where word-level coverage fails, we can infer linguistic structures without supervised data.

6.1 Productivity & Complexity

Metric	Value	Interpretation	Recommendation
Productivity Index	5.000	High morphological productivity	Reliable analysis
Idiomaticity Gap	-0.772	Low formulaic content	-

6.2 Affix Inventory (Productive Units)

These are the most productive prefixes and suffixes identified by sampling the vocabulary for global substitutability patterns. A unit is considered an affix if stripping it leaves a valid stem that appears in other contexts.

Productive Prefixes

Prefix	Examples
-ו	ופריסה, וחדאת, והסטודנטים
-ה	היידון, הברבריזציה, האגיטטורים
-מ	ממגין, מלביץ, מרעשי
-ב	באנצ, בהרמוניקות, בהמלצת
-ל	לספקי, להסגברה, לאירופים
-ש	שהטלגרף, שהתיוג, שואלר
-וה	והסטודנטים, והראווה, והריסת
-א	איטיטאווי, אנטיפוסופוליפידית, אֶצְבְּעוֹנִי

Productive Suffixes

Suffix	Examples
-ם	והסטודנטים, האגיטטורים, לאירופים
-ה	כמוכה, ופריסה, הברבריזציה
-ת	נווטות, וחדאת, אנטיפוסופוליפידית
-ים	והסטודנטים, האגיטטורים, לאירופים
-ות	נווטות, פרקיםאחיות, בהרמוניקות
-י	איטיטאווי, זולנסקי, לספקי
-ן	דריגיטשין, היידון, ממגין
-s	lugares, wootens, hijras

6.3 Bound Stems (Lexical Roots)

Bound stems are high-frequency subword units that are semantically cohesive but rarely appear as standalone words. These often correspond to the 'core' of a word that requires inflection or derivation to be valid.

Stem	Cohesion	Substitutability	Examples
תפקי	2.54x	314 contexts	תפקיע, בתפקי, תפקיר
ופיע	2.45x	92 contexts	ופיעה, מופיע, הופיע
טלוו	2.81x	51 contexts	טלווב, טלווה, טלווג
עילו	1.93x	275 contexts	עילות, עילום, העילו
גרמנ	2.21x	126 contexts	גרמני, גרמנה, גרמנו
יצונ	2.23x	120 contexts	זיצונג, חיצונה, קיצונה
תקופ	2.13x	149 contexts	תקופת, בתקופ, תקופה
מדינ	1.90x	259 contexts	מדינם, מדינת, מדינצ
קיימ	1.95x	203 contexts	קיימו, קיימה, קיימת
וגרפ	1.73x	292 contexts	וגרפה, וגרפי, וגרפו
תוכנ	1.69x	272 contexts	תוכנה, תוכנם, תוכנן
רסיט	2.40x	45 contexts	ברסיט, רסיטל, גרסיט

6.4 Affix Compatibility (Co-occurrence)

This table shows which prefixes and suffixes most frequently co-occur on the same stems, revealing the 'stacking' rules of the language's morphology.

Prefix	Suffix	Frequency	Examples
-ה	-ת	158 words	המפלסות, ההזדווגות
-ו	-ת	158 words	וכמראיינת, ובמשאיות
-ה	-ם	154 words	הגזברים, הטאטארים
-ו	-ם	144 words	וניכוסם, וברציפים
-ה	-ים	136 words	הגזברים, הטאטארים
-ו	-ה	114 words	ותראקיה, וונרה
-ו	-ים	110 words	וברציפים, ומייסדים
-ו	-ות	105 words	ובמשאיות, ורציונליות
-מ	-ם	90 words	ממחניים, מהפארקים
-מ	-ת	85 words	מהקלוריות, מתעשרת

6.5 Recursive Morpheme Segmentation

Using Recursive Hierarchical Substitutability, we decompose complex words into their constituent morphemes. This approach handles nested affixes (e.g., prefix-prefix-root-suffix).

Word	Suggested Split	Confidence	Stem
sipstrassi	sipstras-s-i	7.5	s
אברדינשייר	אברדינשי-י-ר	7.5	י
האנטינגדונשייר	האנטינגדונשי-י-ר	7.5	י
ובסטנדרטים	וב-סטנדרט-ים	6.0	סטנדרט
ותינוקותיהן	ותינוקות-יה-ן	6.0	ותינוקות
שבאפשרותם	שב-אפשרות-ם	6.0	אפשרות
השתקפויותיהם	השתקפויות-יה-ם	6.0	השתקפויות
מפרוותיהם	מפרוות-יה-ם	6.0	מפרוות
והארכאולוגים	וה-ארכאולוג-ים	6.0	ארכאולוג
התייבשותה	התייבש-ות-ה	6.0	התייבש
עקרונותיהן	עקרונות-יה-ן	6.0	עקרונות
שבמדבריות	שב-מדברי-ות	6.0	מדברי
מראשוניותו	מראשוני-ות-ו	6.0	מראשוני
ממחלותיהם	ממחלות-יה-ם	6.0	ממחלות
הפנולוגיה	ה-פנולוג-יה	6.0	פנולוג

6.6 Linguistic Interpretation

Automated Insight: The language Hebrew shows high morphological productivity. The subword models are significantly more efficient than word models, suggesting a rich system of affixation or compounding.

---

7. Summary & Recommendations

Production Recommendations

Component	Recommended	Rationale
Tokenizer	64k BPE	Best compression (4.19x)
N-gram	2-gram	Lowest perplexity (388)
Markov	Context-4	Highest predictability (95.7%)
Embeddings	100d	Balanced semantic capture and isotropy

---

Appendix: Metrics Glossary & Interpretation Guide

This section provides definitions, intuitions, and guidance for interpreting the metrics used throughout this report.

Tokenizer Metrics

Compression Ratio

Definition: The ratio of characters to tokens (chars/token). Measures how efficiently the tokenizer represents text.

Intuition: Higher compression means fewer tokens needed to represent the same text, reducing sequence lengths for downstream models. A 3x compression means ~3 characters per token on average.

What to seek: Higher is generally better for efficiency, but extremely high compression may indicate overly aggressive merging that loses morphological information.

Average Token Length (Fertility)

Definition: Mean number of characters per token produced by the tokenizer.

Intuition: Reflects the granularity of tokenization. Longer tokens capture more context but may struggle with rare words; shorter tokens are more flexible but increase sequence length.

What to seek: Balance between 2-5 characters for most languages. Arabic/morphologically-rich languages may benefit from slightly longer tokens.

Unknown Token Rate (OOV Rate)

Definition: Percentage of tokens that map to the unknown/UNK token, indicating words the tokenizer cannot represent.

Intuition: Lower OOV means better vocabulary coverage. High OOV indicates the tokenizer encounters many unseen character sequences.

What to seek: Below 1% is excellent; below 5% is acceptable. BPE tokenizers typically achieve very low OOV due to subword fallback.

N-gram Model Metrics

Perplexity

Definition: Measures how "surprised" the model is by test data. Mathematically: 2^(cross-entropy). Lower values indicate better prediction.

Intuition: If perplexity is 100, the model is as uncertain as if choosing uniformly among 100 options at each step. A perplexity of 10 means effectively choosing among 10 equally likely options.

What to seek: Lower is better. Perplexity decreases with larger n-grams (more context). Values vary widely by language and corpus size.

Entropy

Definition: Average information content (in bits) needed to encode the next token given the context. Related to perplexity: perplexity = 2^entropy.

Intuition: High entropy means high uncertainty/randomness; low entropy means predictable patterns. Natural language typically has entropy between 1-4 bits per character.

What to seek: Lower entropy indicates more predictable text patterns. Entropy should decrease as n-gram size increases.

Coverage (Top-K)

Definition: Percentage of corpus occurrences explained by the top K most frequent n-grams.

Intuition: High coverage with few patterns indicates repetitive/formulaic text; low coverage suggests diverse vocabulary usage.

What to seek: Depends on use case. For language modeling, moderate coverage (40-60% with top-1000) is typical for natural text.

Markov Chain Metrics

Average Entropy

Definition: Mean entropy across all contexts, measuring average uncertainty in next-word prediction.

Intuition: Lower entropy means the model is more confident about what comes next. Context-1 has high entropy (many possible next words); Context-4 has low entropy (few likely continuations).

What to seek: Decreasing entropy with larger context sizes. Very low entropy (<0.1) indicates highly deterministic transitions.

Branching Factor

Definition: Average number of unique next tokens observed for each context.

Intuition: High branching = many possible continuations (flexible but uncertain); low branching = few options (predictable but potentially repetitive).

What to seek: Branching factor should decrease with context size. Values near 1.0 indicate nearly deterministic chains.

Predictability

Definition: Derived metric: (1 - normalized_entropy) × 100%. Indicates how deterministic the model's predictions are.

Intuition: 100% predictability means the next word is always certain; 0% means completely random. Real text falls between these extremes.

What to seek: Higher predictability for text generation quality, but too high (>98%) may produce repetitive output.

Vocabulary & Zipf's Law Metrics

Zipf's Coefficient

Definition: The slope of the log-log plot of word frequency vs. rank. Zipf's law predicts this should be approximately -1.

Intuition: A coefficient near -1 indicates the corpus follows natural language patterns where a few words are very common and most words are rare.

What to seek: Values between -0.8 and -1.2 indicate healthy natural language distribution. Deviations may suggest domain-specific or artificial text.

R² (Coefficient of Determination)

Definition: Measures how well the linear fit explains the frequency-rank relationship. Ranges from 0 to 1.

Intuition: R² near 1.0 means the data closely follows Zipf's law; lower values indicate deviation from expected word frequency patterns.

What to seek: R² > 0.95 is excellent; > 0.99 indicates near-perfect Zipf adherence typical of large natural corpora.

Vocabulary Coverage

Definition: Cumulative percentage of corpus tokens accounted for by the top N words.

Intuition: Shows how concentrated word usage is. If top-100 words cover 50% of text, the corpus relies heavily on common words.

What to seek: Top-100 covering 30-50% is typical. Higher coverage indicates more repetitive text; lower suggests richer vocabulary.

Word Embedding Metrics

Isotropy

Definition: Measures how uniformly distributed vectors are in the embedding space. Computed as the ratio of minimum to maximum singular values.

Intuition: High isotropy (near 1.0) means vectors spread evenly in all directions; low isotropy means vectors cluster in certain directions, reducing expressiveness.

What to seek: Higher isotropy generally indicates better-quality embeddings. Values > 0.1 are reasonable; > 0.3 is good. Lower-dimensional embeddings tend to have higher isotropy.

Average Norm

Definition: Mean magnitude (L2 norm) of word vectors in the embedding space.

Intuition: Indicates the typical "length" of vectors. Consistent norms suggest stable training; high variance may indicate some words are undertrained.

What to seek: Relatively consistent norms across models. The absolute value matters less than consistency (low std deviation).

Cosine Similarity

Definition: Measures angular similarity between vectors, ranging from -1 (opposite) to 1 (identical direction).

Intuition: Words with similar meanings should have high cosine similarity. This is the standard metric for semantic relatedness in embeddings.

What to seek: Semantically related words should score > 0.5; unrelated words should be near 0. Synonyms often score > 0.7.

t-SNE Visualization

Definition: t-Distributed Stochastic Neighbor Embedding - a dimensionality reduction technique that preserves local structure for visualization.

Intuition: Clusters in t-SNE plots indicate groups of semantically related words. Spread indicates vocabulary diversity; tight clusters suggest semantic coherence.

What to seek: Meaningful clusters (e.g., numbers together, verbs together). Avoid over-interpreting distances - t-SNE preserves local, not global, structure.

General Interpretation Guidelines

1. Compare within model families: Metrics are most meaningful when comparing models of the same type (e.g., 8k vs 64k tokenizer).
2. Consider trade-offs: Better performance on one metric often comes at the cost of another (e.g., compression vs. OOV rate).
3. Context matters: Optimal values depend on downstream tasks. Text generation may prioritize different metrics than classification.
4. Corpus influence: All metrics are influenced by corpus characteristics. Wikipedia text differs from social media or literature.
5. Language-specific patterns: Morphologically rich languages (like Arabic) may show different optimal ranges than analytic languages.

Visualizations Index

Visualization	Description
Tokenizer Compression	Compression ratios by vocabulary size
Tokenizer Fertility	Average token length by vocabulary
Tokenizer OOV	Unknown token rates
Tokenizer Total Tokens	Total tokens by vocabulary
N-gram Perplexity	Perplexity by n-gram size
N-gram Entropy	Entropy by n-gram size
N-gram Coverage	Top pattern coverage
N-gram Unique	Unique n-gram counts
Markov Entropy	Entropy by context size
Markov Branching	Branching factor by context
Markov Contexts	Unique context counts
Zipf's Law	Frequency-rank distribution with fit
Vocab Frequency	Word frequency distribution
Top 20 Words	Most frequent words
Vocab Coverage	Cumulative coverage curve
Embedding Isotropy	Vector space uniformity
Embedding Norms	Vector magnitude distribution
Embedding Similarity	Word similarity heatmap
Nearest Neighbors	Similar words for key terms
t-SNE Words	2D word embedding visualization
t-SNE Sentences	2D sentence embedding visualization
Position Encoding	Encoding method comparison
Model Sizes	Storage requirements
Performance Dashboard	Comprehensive performance overview

---

About This Project

Data Source

Models trained on wikipedia-monthly - a monthly snapshot of Wikipedia articles across 300+ languages.

Project

A project by Wikilangs - Open-source NLP models for every Wikipedia language.

Maintainer

Omar Kamali - Omneity Labs

Citation

If you use these models in your research, please cite:

@misc{wikilangs2025,
  author = {Kamali, Omar},
  title = {Wikilangs: Open NLP Models for Wikipedia Languages},
  year = {2025},
  doi = {10.5281/zenodo.18073153},
  publisher = {Zenodo},
  url = {https://huggingface.co/wikilangs}
  institution = {Omneity Labs}
}

License

MIT License - Free for academic and commercial use.

Links

• 🌐 Website: wikilangs.org
• 🤗 Models: huggingface.co/wikilangs
• 📊 Data: wikipedia-monthly
• 👤 Author: Omar Kamali
• 🤝 Sponsor: Featherless AI

---

Generated by Wikilangs Models Pipeline

Report Date: 2026-01-13 14:18:23